Magnetic resonance susceptibility weighted imaging in neurosurgery: current applications and future perspectives
Notice bibliographique
Résumé
Susceptibility weighted imaging (SWI) is a relatively new imaging technique. Its high sensitivity to hemorrhagic components and ability to depict microvasculature by means of susceptibility effects within the veins allow for the accurate detection, grading, and monitoring of brain tumors. This imaging modality can also detect changes in blood flow to monitor stroke recovery and reveal specific subtypes of vascular malformations. In addition, small punctate lesions can be demonstrated with SWI, suggesting diffuse axonal injury, and the location of these lesions can help predict neurological outcome in patients. This imaging technique is also beneficial for applications in functional neurosurgery given its ability to clearly depict and differentiate deep midbrain nuclei and close submillimeter veins, both of which are necessary for presurgical planning of deep brain stimulation. By exploiting the magnetic susceptibilities of substances within the body, such as deoxyhemoglobin, calcium, and iron, SWI can clearly visualize the vasculature and hemorrhagic components even without the use of contrast agents. The high sensitivity of SWI relative to other imaging techniques in showing tumor vasculature and microhemorrhages suggests that it is an effective imaging modality that provides additional information not shown using conventional MRI. Despite SWI's clinical advantages, its implementation in MRI protocols is still far from consistent in clinical usage. To develop a deeper appreciation for SWI, the authors here review the clinical applications in 4 major fields of neurosurgery: neurooncology, vascular neurosurgery, neurotraumatology, and functional neurosurgery. Finally, they address the limitations of and future perspectives on SWI in neurosurgery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».